邊緣計算在水泵故障診斷中的應用研究

黃嘯天 李咪淵

1. 蘇州濱特爾水處理有限公司上海分公司 上海 長寧 200050；2. 上海振華重工股份有限公司 上海 浦東 200120

傳統的水泵維護方式主要采用事后維修或預防式維護，隨著水泵自動化隨著自動化程度和狀態監測技術的不斷提升，水泵運行數據獲取也成為設備必要的功能，基于狀態數據進行設備故障的診斷與故障預測已成為行業發展趨勢。當設備運行狀態發生異常時，某些參數或參數的特征會隨之進行相應變化，這些產生變化的特征對分析設備的狀態很有必要。將這些異常特征與設備狀態進行結合，找出其中的規律然后做出準確判斷和歸類就是故障診斷的任務。實踐表明，水泵的振動信號往往可以反映其運行的實際狀態，因此基于振動信號實現水泵的智能維護是行之有效的。

隨著云計算技術的不斷發展，我們正跨入邊緣智能時代，網絡邊緣將會承擔越來越多的智能服務，模型的訓練、模型的部署以及模型的推理都將可以在網絡邊緣完成。在霧端（工廠側服務器）拉取云端預訓練好的算法模型，結合遷移學習理論，根據邊緣端設備側實際采集的故障數據，對模型再次訓練微調，構建具有持續學習能力的智能模型，可提高診斷算法的適用性，有效應對設備部件失效的不確定性及樣本分布的非獨立性。

為了提高水泵故障診斷的信息化與智能化水平，本文將運用物聯網、邊緣計算、云計算、大數據、深度學習等新一代信息技術，與傳統設備監測技術融合協同，開發邊緣智能系統對設備狀態的采集、監測以及診斷全過程進行研究，實現水泵設備的智能診斷與維護。

1 人工智能在設備故障診斷的發展現狀

隨著科學技術的進步，自工業革命以來工業設備不斷朝著復雜化、信息化、智能化方向發展。根據文獻[1]所述，隨著新一代人工智能技術的到來以及物聯網、云計算、5G等技術的蓬勃發展，人工智能在工業制造領域的應用展現出巨大潛力。

從診斷方法的角度，現有的故障診斷方法分為基于分析模型的方法、基于定性經驗知識的方法和基于數據驅動的方法[2]。數據驅動的診斷方法由于不依賴于解析模型，非常適用于現代復雜的機械系統。智能故障診斷的實質是對故障的類型進行分類，作為智能故障診斷領域中最能夠體現其智能化的方法之一，機器學習算法能夠為診斷對象建立合適的模型，使模型能夠對知識自學習，并讓其在學習過程中不斷調整和修改，以豐富和完善模型[3]。

2 水泵故障評價標準分析

水泵的監測診斷方法有很多種，考慮到適用性，監測效果，過程繁易等問題，振動法因其突出性能被廣泛應用[4]。當前，國內外有兩個關于振動測量和評定的標準：ISO7919（GB/T11348）系列“旋轉機械轉軸徑向振動的測量和評定”與 ISO/TC10816（GB/T6075）系列“在非旋轉部件上測量與評價機器的機械振動”。前者用于測量與評價軸的振動位移，后者用于測量與評定軸承座的振動烈度。基于以上振動評價方法，水泵的振動包括軸振動與軸承振動。依據標準，水泵的振動監測點通常選在軸承座、出口法蘭和底座處。主要測點一般選在軸承座處和靠近軸承處，輔助測點選在底座和出口法蘭處。根據現場的實際情況，通常大型的石油化工用泵測量垂直、水平和軸向三個互相垂直的方向的振動狀態，且基本采用軸振動[5-6]。

3 邊緣計算發展現狀

隨著云計算技術的不斷發展，我們正跨入邊緣智能時代，網絡邊緣將會承擔越來越多的智能服務，模型的訓練、模型的部署以及模型的推理都將可以在網絡邊緣完成。邊緣智能的出現，可以有效解決邊緣端與云端通訊的不穩定性、邊緣端大量數據上傳的帶寬占用及數據隱私性問題。邊緣計算由利用傳統和云數據中心之外可用計算資源的技術組成，可使工作負載的所在位置更接近數據的創建位置，并且可以根據數據分析結果及時地采取操作。通過利用和管理可在遠程場所（例如工廠、零售店、倉庫、酒店、配送中心或車輛）使用的計算能力，企業可以創建相應的應用程序來實現以下目標：①顯著減少延遲、②降低對網絡帶寬的需求、③增加敏感信息的隱私性、④即使網絡中斷也可正常運作[7]。

4 應用案例——基于邊緣計算的水泵故障診斷

為完成該廠水泵振動故障診斷工作，利用STM32 IoT Node芯片及兩個三相加速度傳感器通過Wi-Fi形式采集水泵振動數據，系統方案如圖1所示。根據《JBT8097-1999泵的振動測量與評價方法》，在水泵的前軸承和后軸承處各選取一個測量點完成水平、垂直、軸向三個方向的振動加速度測量。

圖1 系統方案示意圖

圖2是水泵數據測試時拍攝的安裝方案，下方紅框內為前軸承，上方紅框內為后軸承。因在兩個測試點分別測量水平、垂直、軸向三個方位的數據，本數據的特征值維度為六維，六維數據均為水泵振動加速度。

圖2 測量安裝方案示意圖

數據點數規模為97280條，由84次采集數據組成，每次采集1024個數據點，每條數據包含以下字段：

表1 數據字段定義表

效果展示

通過離心水泵正常運行、支架固定螺栓松動、泵腳及支架螺栓同時松動四種工況情況下的振動數據分析，模型預測結果如圖3所示。

圖3 模型預測結果